論文の概要: A Literature Review of Recent Graph Embedding Techniques for Biomedical Data

• arxiv url: http://arxiv.org/abs/2101.06569v2
• Date: Wed, 20 Jan 2021 10:21:55 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-27 20:18:45.331392
• Title: A Literature Review of Recent Graph Embedding Techniques for Biomedical Data
• Title（参考訳）: バイオメディカルデータのための最近のグラフ埋め込み技術に関する文献レビュー
• Authors: Yankai Chen and Yaozu Wu and Shicheng Ma and Irwin King
• Abstract要約: このようなデータを分析するために,グラフに基づく学習法が数多く提案されている。 主な困難は、バイオメディカルグラフの高次元性と空間性を扱う方法である。 グラフ埋め込みメソッドは、上記の問題に対処するための効率的かつ効率的な方法を提供する。
• 参考スコア（独自算出の注目度）: 36.446560017794845
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: With the rapid development of biomedical software and hardware, a large amount of relational data interlinking genes, proteins, chemical components, drugs, diseases, and symptoms has been collected for modern biomedical research. Many graph-based learning methods have been proposed to analyze such type of data, giving a deeper insight into the topology and knowledge behind the biomedical data, which greatly benefit to both academic research and industrial application for human healthcare. However, the main difficulty is how to handle high dimensionality and sparsity of the biomedical graphs. Recently, graph embedding methods provide an effective and efficient way to address the above issues. It converts graph-based data into a low dimensional vector space where the graph structural properties and knowledge information are well preserved. In this survey, we conduct a literature review of recent developments and trends in applying graph embedding methods for biomedical data. We also introduce important applications and tasks in the biomedical domain as well as associated public biomedical datasets.
• Abstract（参考訳）: バイオメディカルソフトウェアとハードウェアの急速な発展に伴い、遺伝子、タンパク質、化学成分、薬物、疾患、症状を相互に結合する大量の関連データが現代のバイオメディカル研究のために収集されている。 多くのグラフベースの学習手法がそのようなデータを分析するために提案されており、バイオメディカルデータの背後にあるトポロジと知識について深い洞察を与えている。 しかし、主な困難は、バイオメディカルグラフの高次元性と空間性を扱う方法である。 近年,グラフ埋め込み手法は上記の問題に効果的かつ効率的な対処方法を提供している。 グラフに基づくデータを、グラフ構造特性と知識情報がよく保存されている低次元ベクトル空間に変換する。 本研究では,最近の生物医学データへのグラフ埋め込み手法の適用動向について文献レビューを行う。 また, バイオメディカル領域および関連する公的バイオメディカルデータセットにおいて, 重要な応用と課題を紹介する。

関連論文リスト

• Diversifying Knowledge Enhancement of Biomedical Language Models using Adapter Modules and Knowledge Graphs [54.223394825528665]
  我々は、軽量なアダプターモジュールを用いて、構造化された生体医学的知識を事前訓練された言語モデルに注入するアプローチを開発した。 バイオメディカル知識システムUMLSと新しいバイオケミカルOntoChemの2つの大きなKGと、PubMedBERTとBioLinkBERTの2つの著名なバイオメディカルPLMを使用している。 計算能力の要件を低く保ちながら,本手法がいくつかの事例において性能改善につながることを示す。
  論文  参考訳（メタデータ） (2023-12-21T14:26:57Z)
• Tertiary Lymphoid Structures Generation through Graph-based Diffusion [54.37503714313661]
  本研究では,最先端のグラフベース拡散モデルを用いて生物学的に意味のある細胞グラフを生成する。 本研究では, グラフ拡散モデルを用いて, 3次リンパ構造(TLS)の分布を正確に学習できることを示す。
  論文  参考訳（メタデータ） (2023-10-10T14:37:17Z)
• A Comparative Study of Population-Graph Construction Methods and Graph Neural Networks for Brain Age Regression [48.97251676778599]
  医用画像では、人口グラフが有望な結果を示しており、主に分類作業に向けられている。 人口グラフの抽出は非自明な作業であり、グラフニューラルネットワーク(GNN)の性能に大きな影響を及ぼす可能性がある 本研究では,有意義なグラフ構築の重要性を強調し,異なる集団グラフ構築手法による実験を行う。
  論文  参考訳（メタデータ） (2023-09-26T10:30:45Z)
• Applying BioBERT to Extract Germline Gene-Disease Associations for Building a Knowledge Graph from the Biomedical Literature [0.0]
  本稿では,ジェムリン遺伝子と疾患を結合する知識グラフ構築手法SimpleGermKGを提案する。 遺伝子および疾患の抽出には、バイオメディカルコーパス上でトレーニング済みのBERTモデルであるBioBERTを用いる。 記事,遺伝子,疾患間の意味的関連性について,部分的関係性アプローチを実装した。 知識グラフには297の遺伝子、130の疾患、46,747のトリプルが含まれている。
  論文  参考訳（メタデータ） (2023-09-11T18:05:12Z)
• Multimodal brain age estimation using interpretable adaptive population-graph learning [58.99653132076496]
  下流タスクに最適化された人口グラフ構造を学習するフレームワークを提案する。 注意機構は、画像と非画像の特徴のセットに重みを割り当てる。 グラフ構築において最も重要な注意重みを可視化することにより、グラフの解釈可能性を高める。
  論文  参考訳（メタデータ） (2023-07-10T15:35:31Z)
• Knowledge Graph Embeddings in the Biomedical Domain: Are They Useful? A Look at Link Prediction, Rule Learning, and Downstream Polypharmacy Tasks [12.896135204106423]
  本研究では,最近のバイオメディカル知識グラフBioKGの文脈に最先端の知識グラフ埋め込みモデルを適用することを目的とする。 また, HITS@10のスコアに基づいて, 同じバイオメディカル知識グラフを用いた3倍の性能向上を実現した。 その結果,大規模なバイオメディカル知識グラフから学習した知識を下流のユースケースに移すことが可能であることが示唆された。
  論文  参考訳（メタデータ） (2023-05-31T16:04:25Z)
• Graph-in-Graph (GiG): Learning interpretable latent graphs in non-Euclidean domain for biological and healthcare applications [52.65389473899139]
  グラフは、医療領域において、非ユークリッドな非ユークリッドデータをユビキタスに表現し、分析するための強力なツールである。 近年の研究では、入力データサンプル間の関係を考慮すると、下流タスクに正の正の正則化効果があることが示されている。 タンパク質分類と脳イメージングのためのニューラルネットワークアーキテクチャであるGraph-in-Graph(GiG)を提案する。
  論文  参考訳（メタデータ） (2022-04-01T10:01:37Z)
• BioIE: Biomedical Information Extraction with Multi-head Attention Enhanced Graph Convolutional Network [9.227487525657901]
  本稿では,バイオメディカルテキストと非構造化医療報告から関係を抽出するハイブリッドニューラルネットワークであるバイオメディカル情報抽出を提案する。 本研究は,2つの主要な生医学的関係抽出タスク,化学物質とタンパク質の相互作用,およびクロスホスピタル・パン・カンノロジー報告コーパスについて検討した。
  論文  参考訳（メタデータ） (2021-10-26T13:19:28Z)
• Biomedical Knowledge Graph Refinement and Completion using Graph Representation Learning and Top-K Similarity Measure [1.4660617536303606]
  本研究は,統合生物医学知識グラフ chem2bio2rd の離散表現の学習を実証する。 学習した埋め込みベクトル間の単純なトップKコサイン類似度尺度を用いて知識グラフの補完と洗練を行う。
  論文  参考訳（メタデータ） (2020-12-18T22:19:57Z)
• Benchmark and Best Practices for Biomedical Knowledge Graph Embeddings [8.835844347471626]
  SNOMED-CT知識グラフ上に,いくつかの最先端知識グラフ埋め込みモデルを学習する。 本稿では,バイオメディカル知識表現の学習に知識グラフのマルチリレーショナルな性質を活用することの重要性を論じる。
  論文  参考訳（メタデータ） (2020-06-24T14:47:33Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。